예측식에 대하여안녕하세요 회원 여러분,
jmp 16에서 RSM 설계를 수행하고 있는데 모델에 대한 예측 표현식을 추출하고 싶습니다. 이것이 제가 얻은 예측 표현입니다.
x1과 x2의 중심점은 각각 25와 10입니다.
- 이러한 유형의 모델에 대해 중앙점을 사용하여 변수가 중앙에 배치되는 이유가 궁금합니다. (곡률을 설명하기 위해 1차 모델에만 적용되는 줄 알았는데)
- 이 모델을 서면으로 보고할 때 방정식을 그대로 두어야 합니까?
어떤 도움이라도 대단히 감사하겠습니다. 미리 감사드립니다.
실험 설계품질 및 프로세스 엔지니어링Re: 예측 표현식에 대해상세한 설명 정말 감사드립니다 @마크_베일리 . 설명은 회귀 모델을 이해하는 데 큰 도움이 될 것입니다.
Re: 예측 표현식에 대해변수를 변환하는 방법과 이유는 다양합니다. 여러분이 겪은 변형을 '코딩'이라고 합니다. 여러 가지 이유로 설계된 실험의 데이터를 분석할 때 이는 모범 사례로 간주됩니다. JMP 디자인 플랫폼(예: 사용자 정의 디자인)은 테이블 만들기를 클릭하면 연속형 요인 데이터 열에 코딩 열 속성을 추가합니다. Fit Least Squares 플랫폼은 이 열 속성을 인식하고 내부적으로 변환을 적용합니다.
해석:
코딩 없이 모수 추정치는 척도(즉, 측정 단위)에 따라 달라집니다. "가장 중요한 요소는 무엇인가?"와 같은 질문에 대답하기는 어렵습니다. 단지 견적을 검토하는 것뿐입니다. 반면, 코드화된 요인 수준은 척도 불변 추정으로 이어집니다. 이는 여전히 요인의 한 단위 변화에 대한 반응의 변화를 나타내지만 이제는 모든 요인에 대한 요인 범위의 절반입니다. (이런 이유로 코딩된 요인 수준을 사용한 추정을 '반효과'라고도 합니다.) 또한 절편은 일반적으로 모델링에 필요하지만 의미가 없습니다. 코딩을 사용하면 절편은 항상 설계 공간의 원점에서 평균 응답이 됩니다.
힘:
우리는 실험 목적(예: 선별 대 최적화)에 관계없이 항상 가장 작은 표준 오류로 추정치를 원합니다. 설계는 추정치 간의 상관관계를 결정합니다. 상관관계가 없는 추정치는 표준 오차가 가장 작습니다. 상관 관계는 추정치의 변동을 증가시켜 표준 오차를 증가시킵니다. 완벽하게 상관된 오류는 무한한 분산을 가지므로 분리할 수 없습니다. 이러한 매개변수로 표시되는 효과는 혼란스럽습니다. 요인 수준을 코딩하면 추정치 간의 상관 관계가 최소화됩니다.
안정:
모델 계층 구조는 코딩과 관련이 있습니다. 모델에서 항을 추가하거나 제거할 때 모델 계층 구조를 유지하는 것이 좋습니다. 한 가지 이유는 나중에 코딩 변환을 되돌리는 등 변수를 변경(변환)하면 모델이 불안정해지기 때문입니다. 제안한 대로 수식 편집기에서 단순화 기능 사용 @HadleyMyers 모델을 선택할 때 계층 구조를 유지하지 않으면 다른 모델이 생성됩니다(일부 항은 사라지고 새 항이 나타남).
Re: 예측 표현식에 대해안녕 @키마니 ,
JMP는 피팅을 수행할 때 사용자가 지정하지 않는 한 기본적으로 X 요인을 중앙에 배치합니다. 그 이유는 알고리즘이 베타, 즉 계수에 대한 더 나은 추정치를 결정할 수 있기 때문입니다. 이런 방식으로 수행하면 피팅의 알 수 없는 오류를 상수 엡실론으로 푸시하여 피팅 추정치인 베타의 오류를 줄이는 데 도움이 됩니다.
이것이 의미가 있고 도움이 되기를 바랍니다.
DS
Re: 예측 표현식에 대해회귀 방정식의 단순화된 버전에 대한 수단을 보여주셔서 감사합니다. 저는 아직 회귀 모델링에 익숙하지 않습니다. 또한 왜 모수 추정치를 그대로 사용하지 않는지 알고 싶었습니다. 일반적으로 예측 표현식의 중심점을 사용하여 예측 변수를 중심화하는 이유는 무엇입니까?
Re: 예측식에 대해서안녕,
예측 수식을 테이블에 저장하고 수식 편집기를 사용하여 열고 빨간색 삼각형 메뉴에서 "단순화"를 선택하여 두 번째 표현식을 첫 번째 표현식으로 변환할 수 있다는 것을 아는 것이 도움이 될 수 있습니다.
